Интеллектуальная система мониторинга и предиктивной диагностики для интегрированных навигационных систем безэкипажных надводных и подводных аппаратов

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 23-79-10071

НазваниеИнтеллектуальная система мониторинга и предиктивной диагностики для интегрированных навигационных систем безэкипажных надводных и подводных аппаратов

Руководитель Маргун Алексей Анатольевич, Кандидат технических наук

Организация финансирования, регион федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский университет ИТМО" , г Санкт-Петербург

Конкурс №85 - Конкурс 2023 года «Проведение исследований научными группами под руководством молодых ученых» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными

Область знания, основной код классификатора 09 - Инженерные науки; 09-603 - Надежность и отказоустойчивость технических систем. Диагностика технического состояния и испытания

Ключевые слова обнаружение и поиск отказов, классификация отказов, прогнозирование остаточного ресурса, отказоустойчивость, наблюдатели состояния, машинное обучение, нейронные сети глубокого обучения, решающие деревья, интегрированные навигационные системы, автономные безэкипажные надводные катера, автономные необитаемые подводные аппараты

Код ГРНТИ50.00.00

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Проблема создания БНПА широко обсуждается в современной научно-технической литературе. Это объясняется, с одной стороны, запросом на разработку подобных аппаратов для решения специальных задач в сложной геополитической обстановке, а с другой – недостаточной проработанностью решений для автономной навигации отечественных БНПА. В условиях постоянно нарастающих требований к точностным характеристикам ИНС требования к надежности и отказоустойчивости ИНС также возрастают, что делает необходимым использование современных методов предиктивной диагностики. Это позволит заранее диагностировать проблемы в работе компонентов системы во время выполнения миссии, прогнозировать потребности в техническом обслуживании БНПА в доках и на базовых станциях, тем самым уменьшая риск отказа оборудования. Следует отметить, что традиционно работы по обслуживанию ИНС выполняются вручную и не лишены недостатков, привносимых человеческим фактором. Таким образом, проблема повышения отказоустойчивости ИНС БНПА является актуальной. При наличии на борту БНПА ИНС с предрасположенностью к информационным отказам погрешность выработки навигационных параметров может выходить за пределы допуска при отсутствии аппаратных отказов в аппаратуре ИНС. Данная особенность ИНС в недостаточной степени учитывается традиционными методами мониторинга и диагностики. Этому способствует несовершенство используемых в них моделей отказов, а также недостаточный учет воздействующих на систему возмущений. Перспективным подходом к построению систем мониторинга и диагностики является совместное использование подходов на основе наблюдателей и алгоритмов машинного обучения, что предоставляет обширное поле для преодоления отмеченных недостатков путем апробации новых теоретических идей и технических решений на практике. В такой концепции можно выделить две составляющие, определяющие, с нашей точки зрения, научную новизну проекта. Первую составляющую образуют средства мониторинга, формирующие робастные по отношению к неопределенностям в модели системы оценки диагностических признаков для компонентов ИНС. Вторую составляющую образуют средства классификации текущего технического состояния, прогноза остаточного ресурса и выработки рекомендаций для интеллектуальной системы принятия решений. Эти средства анализируют информацию от компонентов первой составляющей и базируются на нейросетях глубокого обучения и ансамблях решающих деревьев.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Буй В.Х., Маргун А.А., Кремлев А.С. Adaptive Direct Compensation of External Disturbances for Mimo Linear Systems International Russian Automation Conference (RusAutoCon) - 2023, Bui V.H.., Margun A.A., Kremlev A.S. Adaptive Direct Compensation of External Disturbances for Mimo Linear Systems // 2023 International Russian Automation Conference (RusAutoCon) - 2023, pp. 482–487 (год публикации - 2023)

2. Галкина Д. А. ,Маргун А. А. Алгоритм обнаружения отказов инерциальной навигационной системы на безэкипажном надводном судне Известия высших учебных заведений. Приборостроение, Галкина Д. А. ,Маргун А. А. Алгоритм обнаружения отказов инерциальной навигационной системы на безэкипажном надводном судне // Известия высших учебных заведений. Приборостроение - 2024, № 1, Принята в печать (год публикации - 2024)

3. К.А. Шабанов, С.М. Власов, А.А. Маргун, Д. Добриборщ Research of the possibility of using a neural network in the signal filtering instead of adaptive filters International Conference on Control, Decision and Information Technologies (CoDIT) (год публикации - 2024)

4. Д.Н. Базылев, А.А. Маргун, Д. Добриборщ Fault Detection Algorithm of INS of parametrically uncertain unmanned vessel Mediterranean Conference on Control and Automation (MED) (год публикации - 2024)

5. А.А. Маргун, Р.А. Юрьева, Д.В. Антонов Machine Learning Approaches for Failures Detection in Inertial Navigation Systems International Russian Smart Industry Conference (SmartIndustryCon) (год публикации - 2024)

6. Д.Н. Базылев, А.А. Маргун FDI approach for INS with fixed-time parameter estimation of USV International Conference on Control, Decision and Information Technologies (CoDIT) (год публикации - 2024)

7. Зайцев О.В., Крючков Р.Л. Predictive diagnostic and state classification of the inertial navigation system using ML International Russian Automation Conference (RusAutoCon), O. V. Zaitsev and R. L. Kruchkov, Predictive Diagnostic and State Classification of the Inertial Navigation System Using ML // 2024 International Russian Automation Conference (RusAutoCon), 2024, pp. 236-241 (год публикации - 2024)
10.1109/RusAutoCon61949.2024.10694558

8. Галкина Д.А., Маргун А.А., Юрьева Р.А, ML-Based Inertial Navigation System Diagnosis for Underwater Vehicle International Russian Automation Conference (RusAutoCon), D. Galkina, A. Margun and R. Iureva, ML-Based Inertial Navigation System Diagnosis for Underwater Vehicle // 2024 International Russian Automation Conference (RusAutoCon), 2024, pp. 868-873, (год публикации - 2024)
10.1109/RusAutoCon61949.2024.10694165

9. Лукоянов Е.В., Лопарев А.В., Колесов Н.В. Robust Sliding Mode Observers in Fault-Tolerant Heading Control System of Unmanned Surface Vehicles 2024 International Russian Automation Conference (RusAutoCon), E. Lukoyanov, A. Loparev and N. Kolesov, Robust Sliding Mode Observers in Fault-Tolerant Heading Control System of Unmanned Surface Vehicles // 2024 International Russian Automation Conference (RusAutoCon), 2024, pp. 242-246 (год публикации - 2024)
10.1109/RusAutoCon61949.2024.10694275

10. Юрьева Р.А., Маргун А.А., Базылев Д.Н. Fast Gradient Sign Method Attack on Machine Learning Model in Time Series Analysis of Autonomous Underwater Vehicles Communications in Computer and Information Science (год публикации - 2025)

11. Лукоянов Е.В., Гонтарь Д. А., Драницына Е.В. Сравнение алгоритмов решения задач обнаружения и поиска отказов резервированных бесплатформенных инерциальных навигационных систем Известия высших учебных заведений. Приборостроение, Лукоянов Е. В., Гонтарь Д. А., Драницына Е. В. Сравнение алгоритмов решения задач обнаружения и поиска отказов резервированных бесплатформенных инерциальных навигационных систем // Изв. вузов. Приборостроение. 2025. Т. 68, № 1. С. 79–88. (год публикации - 2025)
10.17586/0021-3454-2025-68-1-79-88

12. Пелевин А.Е., Лопарев А.В., Лукоянов Е.В., Столярова А.М. Методика построения модели движения судна и синтез алгоритмов управления на её основе Гироскопия и навигация, А. Е. Пелевин, А. В. Лопарев, Е. В. Лукоянов, А. М. Столярова. Методика построения модели движения судна и синтез алгоритмов управления на ее основе // Гироскопия и навигация. Том 33. №1 (128), 2025. C. 52-63 (год публикации - 2025)

13. Юрьева Р.А., Маргун А.А., Лукоянов Е.В. Parameter Estimation of Autonomous Underwater Vehicles Dynamics. A Data-Driven Optimization Framework International Russian Smart Industry Conference (SmartIndustryCon), R. Iureva, A. Margun and E. Lykoyanov, "Parameter Estimation of Autonomous Underwater Vehicles Dynamics. A Data-Driven Optimization Framework," 2025 International Russian Smart Industry Conference (SmartIndustryCon), 2025, pp. 303-308 (год публикации - 2025)
10.1109/SmartIndustryCon65166.2025.10986072

14. Лукоянов Е.В., Антонов Д.В. Studying the Efficiency of Hybrid Algorithms for Fault Detection and Isolation in Navigation Sensors International Russian Smart Industry Conference (SmartIndustryCon), E. Lukoyanov and D. Antonov, "Studying the Efficiency of Hybrid Algorithms for Fault Detection and Isolation in Navigation Sensors," 2025 International Russian Smart Industry Conference (SmartIndustryCon), 2025, pp. 657-663 (год публикации - 2025)
10.1109/SmartIndustryCon65166.2025.10986072

Аннотация результатов, полученных в 2025 году
На втором этапе выполнения проекта «Интеллектуальная система мониторинга и предиктивной диагностики для интегрированных навигационных систем безэкипажных надводных и подводных аппаратов» основное внимание было уделено совершенствованию методов моделирования, диагностики и прогнозирования состояния инерциальных навигационных систем (ИНС) в условиях неопределенности, а также разработке гибридных алгоритмов, сочетающих робастные наблюдатели и методы машинного обучения. Важной задачей стало создание интеллектуальных систем поддержки принятия решений и программного обеспечения для мониторинга и прогнозирования остаточного ресурса компонентов ИНС. Ключевые достижения второго этапа: 1. Алгоритмы моделирования динамики систем с неопределенностями. - Разработаны методы моделирования динамики линейных и нелинейных систем на основе данных, включая генерацию траекторий движения судна с использованием нелинейной модели. - Созданы две модели машинного обучения для идентификации параметров динамики плавательного аппарата: Модель типа «серый ящик» на основе оптимизационного алгоритма L-BFGS-B обеспечивающая идентификацию параметров; Модель типа «черный ящик» на основе LSTM-сети, демонстрирующая высокую точность в аппроксимации сложной нелинейной динамики. - Проведен сравнительный анализ эффективности моделей, что позволило определить области их применения. 2. Гибридные алгоритмы диагностики на основе робастных наблюдателей и машинного обучения. - Разработан гибридный алгоритм диагностики датчиков ИНС с неизвестными параметрами, включающий: идентификатор параметров, направленные генераторы рассогласования, блок принятия решений с оптимизацией чувствительности к отказам; блок настройки параметров через генетический алгоритм. - Предложен метод аугментации данных для повышения точности диагностики, объединяющий оценки наблюдателей состояния с моделями машинного обучения. - Проведено исследование и сравнение различных методов машинного обучения для диагностики отказов в интегрированных ИНС подводных аппаратов. 3. Алгоритм прогнозирования остаточного ресурса компонентов ИНС. - Разработана LSTM-сеть для прогнозирования остаточного ресурса критических компонентов ИНС, учитывающая временные зависимости и динамику деградации. Алгоритм демонстрирует высокую точность в предсказании отказов, что позволяет планировать превентивное обслуживание. 4. Алгоритм выработки рекомендаций при предаварийных ситуациях. - Создана система автоматического определения новой конфигурации ИНС при обнаружении предаварийных состояний на основе обучения с подкреплением (Reinforcement Learning). Алгоритм анализирует текущее состояние системы и предлагает оптимальные действия для минимизации риска отказа. 5. Программное обеспечение для мониторинга и прогнозирования состояния ИНС - Разработана Python-библиотека для интеллектуального мониторинга и прогнозирования, включающая: методы фильтрации, нормализации и предобработки временных рядов, кодировку сигналов отказов, генерацию наборов данных на основе моделей, аппроксимацию динамики нелинейных систем, прогнозирование временных рядов и классификацию отказов. Библиотека обеспечивает гибкость в настройке и может быть интегрирована в системы управления БНПА.

Публикации

Возможность практического использования результатов
Разработанные в рамках проекта интеллектуальные системы мониторинга и предиктивной диагностики для навигационных систем безэкипажных аппаратов имеют перспективы для практического применения в различных сферах экономики и социальной жизни России. Эти инновационные разработки создают научно-технологический задел, способствующий экономическому росту и социальному развитию страны. Особое значение имеет их потенциал для совершенствования существующих и создания новых высокотехнологичных продуктов и услуг в ключевых отраслях промышленности. В судостроительной отрасли и морской технике внедрение разработанных алгоритмов диагностики и прогнозирования позволит существенно повысить надежность навигационных систем беспилотных аппаратов, что особенно важно для выполнения ответственных задач в сложных морских условиях. Переход от планового к прогнозному техническому обслуживанию на основе предиктивной аналитики приведет к значительному снижению эксплуатационных затрат и повышению экономической эффективности использования морской техники. В оборонно-промышленном комплексе эти технологии обеспечат новый уровень автономности и живучести подводных и надводных беспилотных аппаратов, что имеет стратегическое значение для обеспечения безопасности морских границ страны. Разработанное программное обеспечение для мониторинга и прогнозирования состояния инерциальных навигационных систем может быть интегрировано в существующие системы управления беспилотными аппаратами. Перспективным направлением является создание на его основе цифровых двойников навигационных систем, позволяющих проводить виртуальные испытания и оптимизировать работу оборудования. Развитие облачных сервисов для удаленного мониторинга и диагностики морских беспилотных систем открывает новые возможности для организации эффективного управления флотом автономных аппаратов. В социально значимых сферах применение этих технологий позволит повысить эффективность экологического мониторинга Мирового океана, что особенно актуально в свете растущего внимания к проблемам сохранения морских экосистем и рационального использования морских ресурсов. Усовершенствованные системы навигации и диагностики критически важны для повышения безопасности поисково-спасательных операций, где надежность оборудования напрямую влияет на эффективность оказания помощи в чрезвычайных ситуациях. В транспортной сфере эти разработки создают основу для развития автономных грузовых перевозок, что может привести к существенной оптимизации логистических процессов и снижению транспортных издержек. Внедрение результатов проекта окажет комплексное положительное влияние на экономику и социальную сферу страны. Снижение аварийности морских беспилотных систем за счет раннего обнаружения отказов, повышение эффективности их эксплуатации, создание новых конкурентоспособных продуктов с экспортным потенциалом - все эти факторы будут способствовать технологическому развитию России и укреплению ее позиций в области морских технологий. Таким образом, проект вносит существенный вклад в достижение стратегических целей научно-технологического развития Российской Федерации, способствуя экономическому росту и повышению качества жизни граждан.